Registration Number
0826U002753, PhD dissertation
Status
Доктор філософії
Date
22-07-2026
popup.evolution
o
Title
Methods of adaptive evolution of trust in federal developments for cyber protection of energy micro-disruptions
Author
Hennadii D. Shybaiev,
popup.head Leonid Y. Galchynsky
popup.opponent Vitaliy V. Tsyganok
popup.opponent Oleksandr Laptiev
popup.review Ivan O. Pyshnohraiev
popup.review Vladyslav V. Khaidurov
popup.rada
National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute»
Description
Шибаєв Г. Д. Методи адаптивної еволюції довіри у федеративному навчанні для кіберзахисту енергетичних мікромереж. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття ступеня доктора філософії з галузі знань 12 – Інформаційні технології за спеціальністю 125 – Кібербезпека. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026.
Дисертаційну роботу присвячено розробленню моделей і методів довірчо-орієнтованого федеративного навчання для виявлення аномалій у розподілених енергетичних мікромережах. Актуальність дослідження зумовлена цифровізацією енергетичних систем, поширенням відновлюваних джерел енергії, інтелектуальних лічильників, сенсорних мереж і локальних контролерів, що перетворюють мікромережі на складні кіберфізичні системи. У таких умовах інформаційні атаки, помилки телеметрії, деградація сенсорів або компрометація вузлів можуть впливати не лише на дані, а й на фізичні режими генерації, споживання, накопичення та балансування енергії.
Метою роботи є розроблення моделей і методів довірчо-орієнтованого федеративного навчання для виявлення аномалій у мікромережах, які підвищують стійкість глобальної моделі до атак отруєння, локального концептуального дрейфу та ненадійної поведінки окремих вузлів. Об’єктом дослідження є кібербезпека та кіберстійкість розподілених енергетичних мікромереж як кіберфізичних систем. Предметом дослідження є методи, моделі та алгоритми довірчо-орієнтованого федеративного навчання для кіберзахисту мікромереж.
У роботі обґрунтовано доцільність використання федеративного навчання як підходу, що дає змогу будувати спільну модель без централізації сирих локальних даних. Показано, що класичний алгоритм FedAvg є недостатньо стійким в умовах статистичної неоднорідності, часткової участі клієнтів, дрейфу даних, шкідливих оновлень і атак отруєння. Для подолання цих обмежень запропоновано узагальнений метод довірчо-орієнтованого федеративного навчання, який поєднує локальне LSTM-орієнтоване виявлення аномалій, багатофакторне оцінювання поведінкової надійності вузлів, байєсівське оновлення довіри, довірчо-зважену агрегацію параметрів моделей та адаптивне керування участю клієнтів у федеративних раундах.
Наукова новизна роботи полягає в розробленні методу довірчо-орієнтованого федеративного навчання для мікромереж; удосконаленні механізму федеративної агрегації шляхом урахування рейтингу довіри до клієнтів; удосконаленні моделі адаптивного оцінювання довіри на основі багатофакторних поведінкових доказів; подальшому розвитку застосування LSTM-моделей для виявлення аномалій у часових рядах енергетичних параметрів. Для формування довіри враховано геометричну узгодженість локального оновлення з глобальним напрямом, вплив оновлення на валідаційну якість, стабільність участі вузла, локальну інтенсивність аномалій, фізичну правдоподібність поведінки та нормове відхилення оновлення.
Експериментальну перевірку проведено в середовищі з шістьма вузлами мікромережі, які моделюють фотоелектричні підсистеми, розумний лічильник, вузол накопичення енергії, контролер навантаження та потенційно ненадійний вузол. Розглянуто нормальний сценарій, сценарій отруєння, сценарій дрейфу та комбінований сценарій. Показано, що запропонований метод зберігає стабільну збіжність у нормальних умовах і забезпечує вищу стійкість до атак порівняно з FedAvg. У сценарії отруєння середньоквадратична помилка FedAvg зростала до 0,181, тоді як для запропонованого методу залишалася близько 0,102; Recall зростав з 0,73 до 0,88, а FPR зменшувався з 0,19 до 0,07.
Практичне значення результатів полягає в можливості використання запропонованих моделей і методів при створенні захищених систем моніторингу та виявлення аномалій у мікромережах, smart grid-платформах, розподілених енергетичних системах та інших кіберфізичних середовищах, де необхідно поєднати локальність даних, колективне навчання, стійкість до ненадійних вузлів і своєчасне виявлення небезпечних відхилень.
Ключові слова: мікромережа, кібербезпека, федеративне навчання, критична інфраструктура, довірчо-орієнтована агрегація, LSTM, виявлення аномалій, концептуальний дрейф, отруєння моделі, кіберфізична система.
Registration Date
2026-06-22
popup.nrat_date
2026-06-22 / 2026-08-15
